論文の概要: Latent Graph Diffusion: A Unified Framework for Generation and
Prediction on Graphs
- arxiv url: http://arxiv.org/abs/2402.02518v1
- Date: Sun, 4 Feb 2024 15:03:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 19:13:23.177523
- Title: Latent Graph Diffusion: A Unified Framework for Generation and
Prediction on Graphs
- Title(参考訳): Latent Graph Diffusion: グラフの生成と予測のための統一フレームワーク
- Authors: Zhou Cai, Xiyuan Wang, Muhan Zhang
- Abstract要約: まず,各カテゴリのノード,エッジ,グラフレベルの特徴を同時に生成できる生成モデルであるLatent Graph Diffusion(LGD)を提案する。
次に、回帰と分類を含む予測タスクを(条件付き)生成として定式化し、LGDが証明可能な保証付きの全レベルのタスクを解けるようにした。
- 参考スコア(独自算出の注目度): 27.542173012315413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose the first framework that enables solving graph
learning tasks of all levels (node, edge and graph) and all types (generation,
regression and classification) with one model. We first propose Latent Graph
Diffusion (LGD), a generative model that can generate node, edge, and
graph-level features of all categories simultaneously. We achieve this goal by
embedding the graph structures and features into a latent space leveraging a
powerful encoder which can also be decoded, then training a diffusion model in
the latent space. LGD is also capable of conditional generation through a
specifically designed cross-attention mechanism. Then we formulate prediction
tasks including regression and classification as (conditional) generation,
which enables our LGD to solve tasks of all levels and all types with provable
guarantees. We verify the effectiveness of our framework with extensive
experiments, where our models achieve state-of-the-art or highly competitive
results across generation and regression tasks.
- Abstract(参考訳): 本稿では,全てのレベル(ノード,エッジ,グラフ)とすべてのタイプ(生成,回帰,分類)のグラフ学習タスクを1つのモデルで解くための最初のフレームワークを提案する。
まず,各カテゴリのノード,エッジ,グラフレベルの特徴を同時に生成できる生成モデルであるLatent Graph Diffusion(LGD)を提案する。
我々は、グラフ構造と特徴を潜在空間に埋め込み、同時に復号化できる強力なエンコーダを利用して、潜在空間における拡散モデルを訓練することで、この目標を達成する。
LGDはまた、特別に設計されたクロスアテンション機構を通じて条件付き生成を行うことができる。
そして、回帰と分類を含む予測タスクを(条件付き)生成として定式化し、LGDが証明可能な保証付きの全レベルのタスクを解けるようにした。
このフレームワークの有効性を広範囲な実験によって検証し,モデルが生成および回帰タスクにおいて最先端または高度に競争力のある結果を達成する。
関連論文リスト
- Exploring Task Unification in Graph Representation Learning via Generative Approach [12.983429541410617]
グラフは現実世界のシナリオにおいてユビキタスであり、ノードレベル、エッジレベル、グラフレベルのタスクから移行学習まで、さまざまなタスクを含んでいる。
最近の取り組みは、複数のグラフタスクをまたいで一般化できる統一されたフレームワークを設計することを目的としている。
これらのうち、グラフオートエンコーダ(GAE)は、様々なグラフタスクに効果的に対処する可能性を示している。
本稿では,これらの課題にシームレスに対処可能な,対向マスク型オートエンコーダであるGA2Eを提案する。
論文 参考訳(メタデータ) (2024-03-21T12:14:02Z) - OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
本研究では,多種多様なグラフデータに存在する複雑なトポロジ的パターンを理解するための一般グラフ基盤モデルを構築した。
本稿では,グラフモデルに統一的なグラフトークン化手法を提案する。
また,グローバルなトポロジ的コンテキスト内のノード依存性を効果的にキャプチャするスケーラブルなグラフ変換器を開発した。
論文 参考訳(メタデータ) (2024-03-02T08:05:03Z) - On the Role of Edge Dependency in Graph Generative Models [28.203109773986167]
本稿では,グラフ生成モデルのための新しい評価フレームワークを提案する。
我々は、精度とエッジの多様性の両方を保証するために、モデル生成グラフの重複の重要性に焦点をあてる。
我々の単純な解釈可能なモデルが、一般的な生成モデルと競合するベースラインを提供することを示す。
論文 参考訳(メタデータ) (2023-12-06T18:54:27Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳(メタデータ) (2023-06-20T03:33:22Z) - HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。
本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。
このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
論文 参考訳(メタデータ) (2023-05-30T18:04:12Z) - Hybrid Augmented Automated Graph Contrastive Learning [3.785553471764994]
本稿では,Hybrid Augmented Automated Graph Contrastive Learning (HAGCL) というフレームワークを提案する。
HAGCLは機能レベルの学習可能なビュージェネレータとエッジレベルの学習可能なビュージェネレータで構成される。
特徴とトポロジの観点から最も意味のある構造を学ぶことを保証します。
論文 参考訳(メタデータ) (2023-03-24T03:26:20Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。